-
print(np.corrcoef([1,0,1],[0,2,0])) #打印相關系數 print(np.poly1d([2,1,3])) #生成一元多次函數 2x**2 + 1x + 3 ,他生成一元二次函數查看全部
-
#矩陣操作與線性方程組 from numpy.linalg import * print (np.eye(3)) #他是一個3行3列的單位矩陣 list = np.array(([1, 2], [3, 4])) print (inv(list)) #逆矩陣 print (list.transpose()) # 轉置矩陣 print (det(list)) #求行列式（算的是行列式的值） print (eig(list)) #特征值和特征向量 y = np.array(([5.], [7.])) {x+2y=5 3x+4y=7} print (solve(list, y)) #求list與y組成的二元一次方程組的解查看全部
-
list = np.array([[[1, 2, 3, 4], [4, 5, 6, 7, ]], [[7, 8, 9, 10], [11, 12, 13, 14]], [[15, 16, 17, 18], [19, 20, 21, 22]] ]) axis取值跟維數有關，維數從 0 開始算起，axis值越大，深入的程度越深 print (list.sum(axis=0))# axis表示維度，sxis=0,表示最外層的元素相加 print (list.sum(axis=1))# 表示最外層減一層的元素相加 print (list.max(axis=0)) # 最外層元素中的最大元素值 print (list.min(axis=0)) # 最外層元素中的最小元素值 list1 = np.array([10, 20, 30, 40]) list2 = np.array(([4, 3, 2, 1])) print(list1 + list2) # 對兩個list中的元素相加，ps:不是將一個數組中的元素放在另一個后面 print (list1-list2) # 對兩個list中的元素相 print (list1**2) # 對兩個list中的元素平方 print (list1/list2)# 對兩個list中的元素相除 print (list1.reshape([2, 2])) print (list2.reshape([2, 2])) print (np.dot(list1.reshape([2, 2]), list2.reshape([2, 2]))) # 數組點乘 print(np.concatenate((list1,list2),axis = 0)) #將兩個數組相連，即list2添加到list1中，傳的是tup查看全部
-
#常用array操作 list = (np.arange(1, 11)) #產生一個1-11（不含11）的等差數列 list = (np.arange(1, 11)).reshape([2, 5]) # 變成兩行五列數組 print (np.exp(list)) # list 的自然指數 print (np.exp2(list)) # list 的自然指數的平方 print (np.sqrt(list)) # list 的開方 print (np.square(list)) # list 的平方 print (np.sin(list)) # list 的正弦值 print (np.log(list)) # list 的對數值 print (np.vstack((list1,list2))) #將兩個數組分成兩行組成一個數組也就是以行連接，注意傳的是個tuple print (np.hstack((list1,list2))) #將兩個數組相連組成一個一維數組，傳的是tup print (np.split(list1,n)) #將數組 list1 切分成n個子數組 print (np.copy(list1)) #對數組進行拷貝查看全部
-
print (np.zeros([2, 4]))#輸出元素都為0的2行4列數組 print (np.ones([3, 5]))#輸出元素都為1 的2行4列數組 print ("Rand:") print (np.random.rand(2, 4))#輸出2行4列的隨機數組 print (np.random.rand())#生成一個隨機數 print (np.random.randint(1, 14, 5))#在1到14之間生成5個隨機數 print (np.random.randn(2, 4))#輸出2行4列標準正態分布隨機數 print np.random.choice([10.20, 41])#在列表中的數隨機選取一個 print (np.random.beta(1,10, 100))#生成一個1-10共100個beta數組查看全部
-
python 中的 list 可以放多種類型，numpy 底層是 C 寫的，為了達到運算速度，我們要求他只能裝下一種類型，可以定義他只能裝的數據類型。放入初始化的 list 的時候可以同時指定裝入的類型 x=np.array(lst,dtype=np.float) 指定數據類型的時候要以 np. 開頭 數據類型：bool,int/8/16/32/64/128,uint8/16/32/64/128,float/16/32/64,complex64/128,string np.array的屬性 shape 多少行，多少列 ndim 維度 dtype 數值類型 itemsize 每個元素占的空間大小，字節為單位，float 64 每個元素占 8 個字節 size 大小，有6個元素，size 就是6，共占 6*8=48 字節查看全部
-
對于 numpy 有疑問或者想查閱什么資料，官網無疑是最該瀏覽的地方 http://www.numpy.org/查看全部
-
tuple和list的區別就是一個可以更改一個不可以查看全部
-
eig 輸出的是特征值和特征向量查看全部
-
sum的作用是將給定層的數組的元素對應相加（矩陣加）查看全部
-
http://www.numpy.org/查看全部
-
Python 數據分析大家族： numpy: 數據結構基礎 scipy: 強大的科學計算方法（矩陣分析等） matplotlib:豐富的可視化套件 pandas: 基礎數據分析套件 scikit-learn :強大的數據分析建模庫 keras:人工神經網絡查看全部
-
#encoding=utf-8 from keras.models import Sequential from keras.layers import Dense, Activation from keras.optimizers import SGD from sklearn.datasets import load_iris from sklearn.cross_validation import train_test_split from sklearn.preprocessing import LabelBinarizer def main(): iris = load_iris() train_data, test_data, train_target, test_target = train_test_split(iris.data, iris.target, test_size=0.2, random_state=1) labels_train = LabelBinarizer().fit_transform(train_target) model = Sequential( [ Dense(5, input_dim=4), Activation("relu"), Dense(3), # label 0 1 2 Activation("sigmoid") ] ) sgd=SGD(lr=0.01, decay=1e-6, momentum=0.9) model.compile(optimizer=sgd, loss="categorical_crossentropy") model.fit(train_data, labels_train, nb_epoch=200, batch_size=40) print(model.predict_classes(test_data)) print(test_target) if __name__=="__main__" : main()查看全部
-
#numpy的其他操作 print("FFT:") print (np.fft.fft(np.array([1,1,1,1,1,1,1,]))) print (np.corrcoef([1, 0, 1],[0, 2, 1])) # 皮爾遜相關系數計算 print (np.poly1d([3,1,3])) # 生成一元多次函數查看全部
-
#矩陣操作與線性方程組 from numpy.linalg import * print (np.eye(3)) list = np.array(([1, 2], [3, 4])) print (inv(list)) #逆矩陣 print (list.transpose()) # 轉置矩陣 print (det(list)) #求行列式 print (eig(list)) #特征值和特征向量 y = np.array(([5.], [7.])) print (solve(list, y)) #求list與y組成的二元一次方程組的解查看全部
舉報
0/150
提交
取消